Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2073
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Warum sollte man den Take nach dem Extremum nehmen, denn die Korrektur könnte 50% betragen haben, was bedeutet, dass wir ZZ aus dem letzten Segment bei etwa 100% nehmen müssen.
,
Oh, du hast also fast das System gezeichnet, das ich vorhin als Bericht gepostet habe :) Nur ich nehme TP höher und warte nicht auf die Bildung des letzten Intervalls von ZZ (obwohl es eine Frage der Einstellungen ist).
Und? Werden Sie den Code fallen lassen? Oder zumindest eine Probe.
Link zur Probenahme.
Zielspalte "Target_100", am Ende der Datumsspalte werden die nächste Spalte und die letzten beiden nicht für das Training verwendet.
Die Probe ist in 3 Teile unterteilt, exam.csv ist nicht an der Ausbildung beteiligt.
Als Optionen, ein Ausstieg vor einem Extremum (mit Umkehrung),
Ausgang an der Kreuzung mit dem Kanal auf der Grundlage von 3 Extrema
Es gibt einen eigenen Bereich für die Klassifizierung von Zeitreihen und entsprechende Bibliotheken wie diese
https://pyts.readthedocs.io/en/latest/auto_examples/transformation/plot_rocket.html
Hat es jemand benutzt?
Es gibt einen eigenen Bereich für die Klassifizierung von Zeitreihen und entsprechende Bibliotheken wie diese
https://pyts.readthedocs.io/en/latest/auto_examples/transformation/plot_rocket.html
Hat es jemand benutzt?
Sie sollten es benutzen, es ist ein interessantes Paket. Nur ein Konstruktor.
Sie sollten es benutzen, es ist ein interessantes Paket. Es ist wie ein Konstruktor.
Ich habe nicht ohne Grund einen Link zu ROCKET angegeben - es handelt sich um einen coolen Funktionskonverter. Erzeugt viele unkorrelierte Merkmale aus den ursprünglichen Merkmalen und verbessert die Qualität der Klassifizierung.
Es wird empfohlen, es mit linearen Modellen zu verwenden (da es so viele Merkmale erzeugt).
Ich werde es ausprobieren müssen.
Es gibt einen Grund, warum ich überhaupt auf ROCKET verlinkt habe - es ist eine Art cooler Funktionskonverter. Erzeugt viele unkorrelierte Merkmale aus den ursprünglichen Merkmalen und verbessert die Qualität der Klassifizierung.
empfehlenswert bei linearen Modellen (weil man so viele Funktionen erhält)
Ich werde es ausprobieren müssen.
Lassen Sie mich über die Ergebnisse wissen - ein sehr interessantes Thema!
Erzeugt eine Menge unkorrelierter Merkmale aus den ursprünglichen Merkmalen,
reguläre PCA?)
reguläre PCA?)
keine